基于DCNN-SVM的道岔智能故障诊断方法研究

摘要：

针对道岔故障难检测、难分类、时效差等难题,以S700 型转辙机道岔为研究对象,提出一种基于DCNN-SVM的道岔故障诊断方法.首先从道岔正常转换曲线和发生故障时的动作曲线入手,总结故障类型、故障原因和故障信号形态特征,并对道岔转换动作曲线进行预处理,即数据统一维度和归一化.然后计算标准电流曲线和功率曲线,根据道岔转换曲线与标准曲线的相似度来识别道岔转换正常和异常.再采用分区时域特征提取和ReliefF特征筛选,选取对故障分类具有明显效果的时域特征,以及根据深度学习算法获取的图像特征,形成有效特征向量空间.最后使用训练集对DCNN-SVM道岔故障诊断算法进行模型训练,并基于诊断模型实现道岔故障的实时诊断.实验表明:在样本数据量足够大的情况下,DCNN-SVM道岔故障诊断方法正确率达 99.01%,相比SVM算法提高 0.64%,对保障行车安全具有十分重要的作用.

关键词：转辙机、相似度、深度卷积神经网络、迁移学习、支持向量机

所属期刊栏目：45

分类号：U231.6(特种铁路)

资助基金：国家自然科学基金;北京市自然科学基金

在线出版日期：2023-10-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：103-113